用matlab计算在给定的100米×100米范围内，随机部署30个未知节点。假设节点的通信半径均为20米，根据下述要求生成信标节点位置，使用质心定位算法估计未知节点位置，并计算定位误差。 1、信标节点个数为16个，随机分布，画出节点位置图、定位误差图，并计算平均定位误差（需多次运行求平均）； 2、信标节点个数为16个，均匀分布，画出节点位置图、定位误差图，并计算平均定位误差（多次运行求平均）； 3、信标节点个数为36个，随机分布，画出节点位置图、定位误差图，并计算平均定位误差（多次运行求平均）； 4、信标节点个数为36个，均匀分布，画出节点位置图、定位误差图，并计算平均定位误差（需多次运行求平均）； 5、信标节点个数为81个，随机分布，画出节点位置图、定位误差图，并计算平均定位误差（多次运行求平均）； 6、信标节点个数为81个，均匀分布，画出节点位置图、定位误差图，并计算平均定位误差（多次运行求平均）。

这是一个很复杂的问题，需要运用一些数学知识和编程技巧，需要一定的时间和精力来完成。下面是一些思路和步骤供您参考：

1. 生成信标节点位置

根据题目要求，我们需要在100米×100米的范围内随机或均匀分布生成一定数量的信标节点，这里可以使用matlab的随机数生成函数或者均匀分布函数来实现。具体方法如下：

随机分布生成16个信标节点：

x = randi([0, 100], 1, 16); % 生成16个0-100之间的随机整数作为x坐标
y = randi([0, 100], 1, 16); % 生成16个0-100之间的随机整数作为y坐标
beacons = [x; y]';

均匀分布生成16个信标节点：

x = linspace(0, 100, 5); % 在x轴上均匀分布5个点
y = linspace(0, 100, 5); % 在y轴上均匀分布5个点
[x, y] = meshgrid(x, y); % 生成网格矩阵
beacons = [x(:), y(:)];
beacons = beacons(1:16, :); % 取前16个点作为信标节点

其他信标节点数量和分布方式的生成方法类似，这里不再赘述。

2. 使用质心定位算法估计未知节点位置

质心定位算法是一种简单有效的节点定位算法，其基本思想是通过多个信标节点的距离来计算未知节点的位置。具体算法步骤如下：

1）假设有n个信标节点和一个未知节点，已知这n个信标节点与未知节点的距离，设第i个信标节点的坐标为(x_i, y_i)，与未知节点的距离为d_i，则有：

(x_i - x)^2 + (y_i - y)^2 = d_i^2，其中(x, y)为未知节点的坐标。

2）对上式进行变形，得到：

x^2 + y^2 - 2x_i*x - 2y_i*y = d_i^2 - x_i^2 - y_i^2

3）将n个方程组成一个线性方程组，求解未知节点的坐标(x, y)。

在matlab中，可以使用矩阵运算来实现上述算法，具体代码如下：

function [x, y] = centroid_loc(beacons, distances)
% beacons: n x 2 的矩阵，表示n个信标节点的坐标
% distances: n x 1 的向量，表示n个信标节点与未知节点的距离
% x, y: 未知节点的坐标

n = size(beacons, 1);
A = zeros(n-1, 2);
b = zeros(n-1, 1);
for i = 2:n
    A(i-1, :) = [beacons(i, 1)-beacons(1, 1), beacons(i, 2)-beacons(1, 2)];
    b(i-1) = (distances(1)^2 - distances(i)^2 + beacons(i, 1)^2 - beacons(1, 1)^2 + beacons(i, 2)^2 - beacons(1, 2)^2) / 2;
end
x = A \ b;
x = x(1) + beacons(1, 1);
y = x(2) + beacons(1, 2);

3. 画出节点位置图和定位误差图

在matlab中，可以使用scatter函数来绘制散点图，使用plot函数来绘制误差图。具体代码如下：

% 画出节点位置图
scatter(beacons(:, 1), beacons(:, 2), 'filled', 'r');
hold on;
scatter(x, y, 'filled', 'b');
title('Beacon nodes and estimated location');
legend('Beacon nodes', 'Estimated location');
xlabel('x(m)');
ylabel('y(m)');
axis equal;

% 画出定位误差图
error = sqrt((x-true_x)^2 + (y-true_y)^2);
plot(iter, error, 'b');
hold on;
title('Localization error vs iteration');
xlabel('Iteration');
ylabel('Localization error(m)');

其中，true_x和true_y表示未知节点的真实坐标，error表示定位误差，iter表示算法迭代次数。

4. 计算平均定位误差

为了得到更准确的定位误差，需要多次运行算法并取平均值。可以使用循环语句来实现，具体代码如下：

n = 30; % 未知节点数量
m = 16; % 信标节点数量
error = zeros(1, n); % 存储定位误差
for i = 1:n
    % 生成信标节点位置
    % ...
    
    % 生成未知节点位置
    true_x = randi([10, 90]); % 生成10-90之间的随机整数作为x坐标
    true_y = randi([10, 90]); % 生成10-90之间的随机整数作为y坐标
    
    % 计算每个信标节点与未知节点的距离
    distances = pdist2([true_x, true_y], beacons);
    
    % 使用质心定位算法估计未知节点位置
    [x, y] = centroid_loc(beacons, distances);
    
    % 计算定位误差
    error(i) = sqrt((x-true_x)^2 + (y-true_y)^2);
end
average_error = mean(error); % 平均定位误差

以上就是大致的思路和步骤，具体实现还需要根据题目要求进行一些微调和修改。希望能对您有所帮助！